論文の概要: Hierarchical Wireless Foundation Model for Multi-Task Optimization
- arxiv url: http://arxiv.org/abs/2607.16877v1
- Date: Sat, 18 Jul 2026 16:30:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.293734
- Title: Hierarchical Wireless Foundation Model for Multi-Task Optimization
- Title（参考訳）: マルチタスク最適化のための階層型無線基礎モデル
- Abstract要約: マルチタスク最適化のための階層型無線基礎モデル(WFM)を提案する。
提案するWFMは,高忠実度チャネル表現を学習し,競合するマルチタスク最適化性能を実現する。
- 参考スコア（独自算出の注目度）: 34.759246067039705
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The increasing complexity of next-generation wireless networks has driven the integration of artificial intelligence (AI) into wireless communications. However, most existing studies focus on developing task-specific deep learning techniques for single scenarios, which limits their ability to generalize across diverse tasks, channel conditions, and system configurations. To address this generalization bottleneck, we propose a hierarchical wireless foundation model (WFM) for multi-task optimization. The proposed WFM couples an upstream foundation channel encoder (FCE) with a downstream foundation optimization decoder (FOD) via geometry-aware cross-attention. Specifically, the FCE extracts task-agnostic channel representations via self-supervised masked reconstruction while the FOD generates multi-task optimization decisions through differentiable output heads. Moreover, a hybrid supervised-to-unsupervised training strategy is employed to overcome the performance ceiling of purely supervised learning, and the modular architecture of the WFM enables efficient adaptation to unseen communication tasks with minimal parameter overhead. Simulation results show that the proposed WFM learns high-fidelity channel representations and achieves competitive multi-task optimization performance while substantially reducing optimization inference latency relative to numerical baselines. Furthermore, it exhibits robust generalization to unseen propagation environments, varying constraint parameters, and heterogeneous system configurations.
- Abstract（参考訳）: 次世代無線ネットワークの複雑さの増大は、人工知能(AI)を無線通信に統合するきっかけとなった。
しかし、既存のほとんどの研究は単一シナリオのためのタスク固有のディープラーニング技術の開発に重点を置いており、多様なタスク、チャネル条件、システム構成にまたがる一般化の能力を制限している。
この一般化ボトルネックに対処するため,マルチタスク最適化のための階層型無線基礎モデル(WFM)を提案する。
提案したWFMは、上流のファンデーションチャネルエンコーダ(FCE)と、ジオメトリ対応のクロスアテンションを介して下流のファンデーション最適化デコーダ(FOD)を結合する。
具体的には、FCEは、自己教師付きマスクによる再構成によりタスク非依存のチャネル表現を抽出し、FODは、微分可能な出力ヘッドを介してマルチタスク最適化決定を生成する。
さらに、純教師付き学習の性能上限を克服するために、ハイブリッド教師なし学習戦略を採用し、WFMのモジュラーアーキテクチャにより、パラメータオーバーヘッドを最小限に抑えた未確認通信タスクへの効率的な適応を可能にする。
シミュレーションの結果,提案するWFMは高忠実度チャネル表現を学習し,数値ベースラインに対する最適化推論遅延を大幅に低減しつつ,競合するマルチタスク最適化性能を実現する。
さらに、未確認の伝搬環境、様々な制約パラメータ、不均一なシステム構成への堅牢な一般化を示す。
関連論文リスト
- A Unified Adaptive Feature Composition Framework for Multi-Task Generalization in Wireless Foundation Models [19.520699593557357]
無線基礎モデル(WFM)における一般化のための統一適応的特徴合成フレームワークを提案する。
このルータは、最終層出力のみを抽出する代わりに、異なるTransformerの深さから隠された状態を、多層隠れ機能の再利用可能なプールとして扱う。
4つの代表的無線タスクの実験は、RAFCが従来の適応ベースラインを一貫して上回ることを示した。
論文 参考訳（メタデータ） (2026-06-09T00:57:56Z) - DIFFRACT: Neuralized Utility Maximization for Wireless Networks by Differentiable Programming [3.2370789091289005]
DIFFRACTは、無線ネットワークの最適化と差別化可能なプログラミングを統合する、ニューラルネットワークフレームワークである。
地上環境と非地上環境の両方における干渉へのリアルタイム適応をサポートする。
その結果,理論的健全性と実効性が確認された。
論文 参考訳（メタデータ） (2026-06-05T10:09:09Z) - Generalizable Multi-Task Learning for Wireless Networks Using Prompt Decision Transformers [3.8613477927967614]
本稿では, Prompt Decision Transformer (PromptDT) を用いたマルチタスク学習フレームワークを提案する。
PromptDTは、ベースラインと比較して、マルチタスク設定でQoEを最大49%改善する。
論文 参考訳（メタデータ） (2026-06-03T01:03:38Z) - Joint Channel Estimation and Computation Offloading in Fluid Antenna-assisted MEC Networks [81.36647816787713]
チャネル推定の遅延を最小限に抑えるためのFA支援オフロードフレームワークを提案する。
提案方式は,効率的な通信を行う場合の精度を大幅に低下させることを示す。
論文 参考訳（メタデータ） (2025-09-16T08:48:44Z) - Generative Diffusion Models for Resource Allocation in Wireless Networks [74.84410305593006]
我々は、専門家を模倣し、最適な分布から新しいサンプルを生成するポリシーを訓練する。
生成したサンプルの逐次実行により,ほぼ最適性能を実現する。
電力制御のケーススタディにおいて数値的な結果を示す。
論文 参考訳（メタデータ） (2025-04-28T21:44:31Z) - Deep Learning Based Uplink Multi-User SIMO Beamforming Design [32.00286337259923]
5G無線通信ネットワークは、高いデータレート、広範なカバレッジ、最小レイテンシ、エネルギー効率のパフォーマンスを提供する。
計算複雑性や動的条件に適応する能力に関して、従来のアプローチには欠点がある。
本稿では,アップリンク受信型マルチユーザ入力多重出力(MU-SIMO)ビームフォーミングの設計のための,NNBFと呼ばれる新しい教師なしディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-28T17:04:41Z) - Multi-Resource Allocation for On-Device Distributed Federated Learning
Systems [79.02994855744848]
本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。
システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
論文 参考訳（メタデータ） (2022-11-01T14:16:05Z) - Over-the-Air Federated Multi-Task Learning via Model Sparsification and
Turbo Compressed Sensing [48.19771515107681]
本稿では,エッジサーバの協調の下で,エッジデバイス上にデプロイされた複数の学習タスクを非直交型フェードチャネルで共有する,オーバー・ザ・エアのFMTLフレームワークを提案する。
OA-FMTLでは、エッジデバイスの局所的な更新はスパース化され、圧縮され、重ね合わせの方法でアップリンクチャネルに送信される。
提案するOA-FMTLフレームワークとM-Turbo-CSアルゴリズムの性能解析を行った。
論文 参考訳（メタデータ） (2022-05-08T08:03:52Z) - Pervasive Machine Learning for Smart Radio Environments Enabled by
Reconfigurable Intelligent Surfaces [56.35676570414731]
Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。
RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。
このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
論文 参考訳（メタデータ） (2022-05-08T06:21:33Z) - Optimization-driven Machine Learning for Intelligent Reflecting Surfaces
Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。
散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。
本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文 参考訳（メタデータ） (2020-08-29T08:39:43Z) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-07-27T12:38:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。